c语言数组求欧几里得距离,计算scipy-csr矩阵中的欧氏距离

所以让我们创建你的矩阵(可惜你没有给出我可以复制粘贴的输入)In [114]: data=[4,1,2,2,1,1,4,3,2]

In [115]: col=[0,1,1,2,2,3,4,4,4]

In [116]: row=[2,0,4,0,3,5,0,2,3]

In [117]: M=sparse.csr_matrix((data,(col,row)))

In [118]: M

Out[118]:

<5x6 sparse matrix of type ''

with 9 stored elements in Compressed Sparse Row format>

In [119]: M.A

Out[119]:

array([[0, 0, 4, 0, 0, 0],

[1, 0, 0, 0, 2, 0],

[2, 0, 0, 1, 0, 0],

[0, 0, 0, 0, 0, 1],

[4, 0, 3, 2, 0, 0]])

In [121]: center=np.array([[0,1,2,2,4,1],[3,4,1,2,4,0]])

那么你是如何计算距离的？M.A是(5,6)，center是(2,6)。这两个数组的用途并不明显。在

至于对“原始”稀疏值的访问，coo格式最容易理解。这和我用来创建矩阵的行、列、数据一样

^{pr2}$

csr将相同的信息存储在data、indices和indptr数组中。但是您必须做一些数学运算才能从最后2个中提取i,j值。csr乘法例程很好地利用了这些数组。在

一般来说，与csr矩阵相乘比加法/减法好。在

我等待进一步的澄清。在spatial.distance.cdist(center,M.A, 'euclidean')

Out[156]:

array([[ 5.09901951, 3.87298335, 5.19615242, 5. , 5.91607978],

[ 7.34846923, 5.38516481, 5.91607978, 6.8556546 , 6.08276253]])

我们需要做的是研究这个函数，并理解它的输入。我们可能要超越它的文档，看看代码。在

但是看一下这段代码，我看到了一些步骤来确保xB是2d数组，列数与xA相同。然后对于euclidian，它调用_distance_wrap.cdist_euclidean_wrap(_convert_to_double(XA),

_convert_to_double(XB), dm)

看起来像是C语言的包装器。我无法想象有什么方法可以给它提供一个稀疏矩阵。在

您可以迭代行；使用M[[0],:].A调用dist与{}相同，只是速度不同。迭代稀疏矩阵的行有点慢，因为每次迭代都要构造一个新的稀疏矩阵。csr和{}是行迭代最快的2个。在

下面是一些可能更快的方法-直接迭代lil格式的属性：def foo(a,b,n):

# make a dense array from data,row

res = np.zeros((1,n))

res[0,b]=a

return res

In [190]: Ml=M.tolil()

In [191]: Ml.data

Out[191]: array([[4], [1, 2], [2, 1], [1], [4, 3, 2]], dtype=object)

In [192]: Ml.rows

Out[192]: array([[2], [0, 4], [0, 3], [5], [0, 2, 3]], dtype=object)

In [193]: rowgen=(foo(a,b,6) for a,b in zip(Ml.data,Ml.rows))

In [194]: np.concatenate([spatial.distance.cdist(center,row, 'euclidean') for row in rowgen],axis=1)

Out[194]:

array([[ 5.09901951, 3.87298335, 5.19615242, 5. , 5.91607978],

[ 7.34846923, 5.38516481, 5.91607978, 6.8556546 , 6.08276253]])

现在我跳过时间测试。在